【第三节：零基础学习推荐系统系列之CF的发展】协同过滤是否适应所有环境？

协同过滤

应用场景

UserCF：基于用户的协同过滤

适用于兴趣点不确定、分散的场景

有很强大的社交属性，可以快速将身边的人看过的东西推荐给用户，即便这个用户之前并没有太多的关注该点，但是还是可以获取到。

非常适用于新闻等热门事情。因为热门新闻大都没有单一兴趣点，内容较为广泛。

而UserCF可以快速发现、追踪热点。

ItemCF：基于物品的协同过滤

适用于兴趣点稳定的场景

比如用户在购买物品、观看电影等，他们的兴趣在一段时间内是固定的，便可以为用户推荐该Item的相似Item，在有限的时间内把握用户兴趣点，并为之提供相似服务。

未来CF的发展

A	0	0	0	1	1
B	0	1	0	0	0
C	0	0	1	0	0
D	1	1	1	1	1

1、存在头部效应

上图为4个Item的向量，可以大概看到，其实A和B和C之间的相似度并不是很高，而这三个物品都D的相似度都很高，因为D是热门物品，导致该物品和其他的物品有很强的匹配度，这样一来会导致热门物品不论是否真正相似，也会被推荐的更多。基本每个物品的相似物品都有D在内。这肯定是不合理的。

2、存在尾部失踪

单从A、B、C三个物品来看，其实相似度并不高，这是因为该向量是稀疏的，已知信息太少而得不到足够准确的推荐，协同过滤天然对稀疏矩阵无力，单靠用户-物品信息推断出物品的相似结果是远远不够的。